Scala 如何从spark数据框中筛选出包含不可读字符的行
我正在读取一个拼花文件,其中包含一些字段,如设备ID、imei等。 这个拼花文件是通过读取由cascading.tuple.tuple组成的序列文件编写的 有些行包含无法读取的字符,我想完全删除这些字符 以下是我读取文件的方式:Scala 如何从spark数据框中筛选出包含不可读字符的行,scala,apache-spark,dataframe,apache-spark-sql,Scala,Apache Spark,Dataframe,Apache Spark Sql,我正在读取一个拼花文件,其中包含一些字段,如设备ID、imei等。 这个拼花文件是通过读取由cascading.tuple.tuple组成的序列文件编写的 有些行包含无法读取的字符,我想完全删除这些字符 以下是我读取文件的方式: val sparkSession = SparkSession.builder().master(sparkMaster).appName(sparkAppName).config("spark.driver.memory", "32g").getOrCreate()
val sparkSession = SparkSession.builder().master(sparkMaster).appName(sparkAppName).config("spark.driver.memory", "32g").getOrCreate()
sparkSession.sparkContext.hadoopConfiguration.set("io.serializations", "cascading.tuple.hadoop.TupleSerialization")
val df=sparkSession.read.parquet("hdfs://**.46.**.2*2:8020/test/oldData.parquet")
df.printSchema()
val filteredDF=df.select($"$DEVICE_ID", $"$DEVICE_ID_NEW", $"$IMEI”, $”$WIFI_MAC_ADDRESS", $"$BLUETOOTH_MAC_ADDRESS", $"$TIMESTAMP").filter($"$TIMESTAMP" > 1388534400 && $"$TIMESTAMP" < 1483228800)
filteredDF.show(100)
import org.apache.spark.sql.functions.{udf,col,regexp_replace,trim}
val len=udf{ColVal:String => ColVal.size}
val new1DF=filteredDF.select(trim(col("deviceId")))
new1DF.show(100)
val newDF=new1DF.filter((len(col("deviceId")) <20))
newDF.show(100)
具有不可读字符的行:
+--------------------+
| trim(deviceId)|
+--------------------+
| |
|+~C���...|
|���
Cv�...|
|���
Cv�...|
| �#Inten|
| �$
�|
| |
| |
| |
| |
| 0353445a712d877b|
| 0577bc8a29754939|
| 0577bc8a29754939|
| 0577bc8a29754939|
| 0577bc8a29754939|
| 0577bc8a29754939|
| 0577bc8a29754939|
| 0577bc8a29754939|
| 08bdae9e37b48080|
您可以通过正则表达式进行筛选。 例如,您可以使用regex_replace将所有不可读字符(即除字母数字或可打印或您决定的任何字符外的所有字符)替换为某个值(例如21个字符的常量或甚至空字符串),然后根据该值进行筛选。
val filteredDF=df.select(“deviceId”)
val filteredDF=df.select("deviceId")
.filter((len(col("deviceId")) <17))
.filter($"$DEVICE_ID" rlike "^([A-Z]|[0-9]|[a-z])+$")
.filter((len(col(“设备ID”))
val filteredDF=df.select("deviceId")
.filter((len(col("deviceId")) <17))
.filter($"$DEVICE_ID" rlike "^([A-Z]|[0-9]|[a-z])+$")